掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習基礎與實踐 版權信息
- ISBN：9787111776000
- 條形碼：9787111776000 ; 978-7-111-77600-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習基礎與實踐 本書特色
本書可銷往職業院校相關專業，也可作為相關技術人員參考用書
深度學習基礎與實踐 內容簡介
本書基于開源深度學習框架ＰｙＴｏｒｃｈ 編寫， 既有深度學習**的理論知識， 又有深度學習所需的實踐項 目， 利于編程基礎能力的培養。本書內容包括深度學習的基本原理和常用算法、深度學習框架ＰｙＴｏｒｃｈ 的環 境搭建及基礎編程方法、使用ＰｙＴｏｒｃｈ 實現手勢識別、ＣＮＮ 圖像分類、數據處理、國際航空乘客預測等項 目， 以及張量的應用、手寫數字體識別、面部表情識別等拓展案例。本書每個單元都配備知識點微課， “任 務實施” 結合實踐應用有序排列學習任務， 符合人才成長的特點和教學規律， 突出培養學生的專業數字化素 養， 實現理論與實踐的統一。 本書通俗易懂、理論結合實踐， 適合作為高職院校計算機類專業的理論與實踐一體化教材， 也可作為人 工智能技術人才的崗前培訓教材。 為方便教學， 本書配有電子課件等教學資源。凡選用本書作為授課教材的教師均可登錄機械工業出版社 教育服務網（ｗｗｗ.ｃｍｐｅｄｕ.ｃｏｍ） 注冊后免費下載。如有問題請致信ｃｍｐｇａｏｚｈｉ＠ ｓｉｎａ.ｃｏｍ， 或致電０１０ － ８８３７９３７５ 聯系營銷人員。
深度學習基礎與實踐深度學習基礎與實踐 前言
前 言
1 . 編寫背景
深度學習是人工智能領域的前沿技術。隨著高職院校人工智能技術應用專業的不斷擴招，
符合職業教育“職業性” 和“實踐性” 的深度學習教材相對較少。根據發布的加快推
進現代職業教育體系建設改革重點任務、“三教” 改革及“金課” 建設要求， 結合人工智能
領域發展需求和企業工程師的意見， 本書采用工作手冊的形式編寫。
2. 教材特點
深度學習基礎與實踐 目錄
目 錄
前言
單元1
從機器學習到深度學習
1.1 學習情境描述 ００１
1.2 任務陳述 ００１
1.3 知識準備 ００２
１.３.１ 人工智能、機器學習和深度學習的關系 ００２
１.３.２ 神經元和感知器 ００７
１.３.３ 神經網絡架構 ０１０
１.３.４ 深度學習的應用領域 ０１４
1.4 任務實施：深度學習體系梳理 ０１５
１.４.１ 任務書 ０１５
１.４.２ 任務分組 ０１５
１.４.３ 獲取信息 ０１６
１.４.４ 工作實施 ０１７
１.４.５ 評價與反饋 ０１９
1.5 拓展案例：深度學習在推薦系統中的應用 ０２０
１.５.１ 問題描述 ０２０
１.５.２ 基礎理論 ０２０
１.５.３ 實際應用 ０２０
１.５.４ 案例總結 ０２３
1.6 單元練習 ０２４
單元2
深度學習基礎知識
2.1 學習情境描述 ０２５
2.2 任務陳述 ０２５
2.3 知識準備 ０２６
２.３.１ 模型擬合 ０２６
２.３.２ 損失函數和代價函數 ０３１
２.３.３ *優化算法 ０３５
2.4 任務實施：常用代價函數實驗 ０４０
２.４.１ 任務書 ０４０
２.４.２ 任務分組 ０４０
２.４.３ 獲取信息 ０４１
２.４.４ 工作實施 ０４１
２.４.５ 評價與反饋 ０４５
2.5 任務實施：梯度下降實驗 ０４６
２.５.１ 任務書 ０４６
２.５.２ 任務分組 ０４７
２.５.３ 獲取信息 ０４７
２.５.４ 工作實施 ０４７
２.５.５ 評價與反饋 ０４９
2.6 拓展案例：PyTorch 簡單模型構建 ０５０
２.６.１ 問題描述 ０５０
２.６.２ 基礎理論 ０５０
２.６.３ 解決步驟 ０５１
２.６.４ 案例總結 ０５３
2.7 單元練習 ０５３
單元3
PyTorch 深度學習框架
3.1 學習情境描述 ０５５
3.2 任務陳述 ０５５
3.3 知識準備 ０５６
３.３.１ 深度學習框架 ０５６
３.３.２ ＰｙＴｏｒｃｈ 環境搭建 ０６０
３.３.３ ＰｙＴｏｒｃｈ 的基本使用 ０６５
3.4 任務實施：PyTorch 環境的搭建和基本使用 ０６８
３.４.１ 任務書 ０６８
３.４.２ 任務分組 ０６９
３.４.３ 獲取信息 ０６９
３.４.４ 工作實施 ０６９
３.４.５ 評價與反饋 ０７１
3.5 拓展案例：張量的應用 ０７２
３.５.１ 問題描述 ０７２
３.５.２ 思路描述 ０７２
３.５.３ 解決步驟 ０７３
３.５.４ 案例總結 ０７５
3.6 單元練習 ０７５
單元4
PyTorch 編程基礎
4.1 學習情境描述 ０７６
4.2 任務陳述 ０７６
4.3 知識準備 ０７７
４.３.１ 張量的概念及應用 ０７７
４.３.２ 神經網絡 ０８６
4.4 任務實施：PyTorch 常見操作及函數的使用 ０９４
４.４.１ 任務書 ０９４
４.４.２ 任務分組 ０９４
４.４.３ 獲取信息 ０９４
４.４.４ 工作實施 ０９４
４.４.５ 評價與反饋 ０９６
4.5 任務實施：PyTorch 神經網絡的搭建 ０９８
４.５.１ 任務書 ０９８
４.５.２ 任務分組 ０９８
４.５.３ 獲取信息 ０９８
４.５.４ 工作實施 ０９９
４.５.５ 評價與反饋 １００
4.6 拓展案例：手寫數字體識別 １０２
４.６.１ 問題描述 １０２
４.６.２ 思路描述 １０２
４.６.３ 解決步驟 １０２
４.６.４ 案例總結 １０７
4.7 單元練習 １０７
單元5
用PyTorch 實現深度網絡
5.1 學習情境描述 １０８
5.2 任務陳述 １０８
5.3 知識準備 １０９
５.３.１ 使用ＰｙＴｏｒｃｈ 實現深度學習模型的基本流程 １０９
５.３.２ 數據集的預處理 １１３
５.３.３ 模型定義 １１６
５.３.４ 模型的優化與評估 １１７
5.4 任務實施：手勢識別 １２２
５.４.１ 任務書 １２２
５.４.２ 任務分組 １２２
５.４.３ 獲取信息 １２２
５.４.４ 工作實施 １２２
５.４.５ 評價與反饋 １２７
5.5 拓展案例：書法字體識別 １２８
５.５.１ 問題描述 １２８
５.５.２ 實際應用 １２９
５.５.３ 解決步驟 １２９
５.５.４ 案例總結 １３３
5.6 單元練習 １３３
單元6
基于CNN 的服裝圖像分類
6.1 學習情境描述 １３４
6.2 任務陳述 １３４
6.3 知識準備 １３５
６.３.１ ＣＮＮ 概述 １３５
６.３.２ 基于ＣＮＮ 的圖像分類 １４０
6.4 任務實施：CNN 的Fashion?MINIST 分類實戰 １４５
６.４.１ 任務書 １４５
６.４.２ 任務分組 １４５
６.４.３ 獲取信息 １４５
６.４.４ 工作實施 １４５
６.４.５ 評價與反饋 １４９
6.5 拓展案例：基于卷積神經網絡的面部表情識別 １５０
６.５.１ 問題描述 １５０
６.５.２ 基礎理論 １５０
６.５.３ 解決步驟 １５１
６.５.４ 案例總結 １５８
6.6 單元練習 １５８
單元7
圖像數據處理
7.1 學習情境描述 １５９
7.2 任務陳述 １５９
7.3 知識準備 １６０
７.３.１ 數字圖像的概念和圖像處理方法 １６０
７.３.２ 圖像編／ 解碼、標準化處理和添加標注框 １６９
7.4 任務實施：圖像數據處理 １７５
７.４.１ 任務書 １７５
７.４.２ 任務分組 １７５
７.４.３ 獲取信息 １７５
７.４.４ 工作實施 １７６
７.４.５ 評價與反饋 １７９
7.5 拓展案例：基于神經網絡的圖像風格遷移 １８０
７.５.１ 問題描述 １８０
７.５.２ 基礎理論 １８０
７.５.３ 解決步驟 １８３
７.５.４ 案例總結 １８７
7.6 單元練習 １８７
單元8
基于LSTM 的數據預測
8.1 學習情境描述 １８８
8.2 任務陳述 １８８
8.3 知識準備 １８９
８.３.１ 數據預測概述 １８９
８.３.２ 時間序列預測方法 １９０
８.３.３ ＬＳＴＭ 神經網絡 １９３
8.4 任務實施：國際航空乘客預測 １９８
８.４.１ 任務書 １９８
８.４.２ 任務分組 １９８
８.４.３ 獲取信息 １９８
８.４.４ 工作實施 １９９
８.４.５ 評價與反饋 ２０２
8.5 拓展案例：使用PyTorch 進行LSTM 時間序列預測 ２０３
８.５.１ 問題描述 ２０３
８.５.２ 思路描述 ２０３
８.５.３ 解決步驟 ２０４
８.５.４ 案例總結 ２０８
8.6 單元練習 ２０９
單元9
基于AlexNet 的圖像分類
9.1 學習情境描述 ２１０
9.2 任務陳述 ２１０
9.3 知識準備 ２１１
９.３.１ ＡｌｅｘＮｅｔ 神經網絡 ２１１
９.３.２ 基于ＡｌｅｘＮｅｔ 的圖像分類概述 ２１５
9.4 任務實施：基于AlexNet 的CIFAR - 100 分類實戰 ２２３
９.４.１ 任務書 ２２３
９.４.２ 任務分組 ２２３
９.４.３ 獲取信息 ２２３
９.４.４ 工作實施 ２２４
９.４.５ 評價與反饋 ２２７
9.5 拓展案例：基于深度學習和遷移學習的遙感
圖像場景分類實戰 ２２８
９.５.１ 問題描述 ２２８
９.５.２ 思路描述 ２２８
９.５.３ 解決步驟 ２２８
９.５.４ 案例總結 ２３１
9.6 單元練習 ２３１
單元10
基于ResNet 的行人重識別
10.1 學習情境描述 ２３３
10.2 任務陳述 ２３３
10.3 知識準備 ２３４
１０.３.１ ＲｅｓＮｅｔ 概述 ２３４
１０.３.２ 行人重識別 ２４４
10.4 任務實施：基于ResNet 的行人重識別實戰 ２５５
１０.４.１ 任務書 ２５５
１０.４.２ 任務分組 ２５５
１０.４.３ 獲取信息 ２５５
１０.４.４ 工作實施 ２５６
１０.４.５ 評價與反饋 ２６１
10.5 拓展案例：基于骨架提取和人體關鍵點
估計的行為識別 ２６２
１０.５.１ 問題描述 ２６２
１０.５.２ 思路描述 ２６２
１０.５.３ 解決步驟 ２６２
１０.５.４ 案例總結 ２６４
10.6 單元練習 ２６４
參考文獻 ２６５
前言
單元1
從機器學習到深度學習
1.1 學習情境描述 ００１
1.2 任務陳述 ００１
1.3 知識準備 ００２
１.３.１ 人工智能、機器學習和深度學習的關系 ００２
１.３.２ 神經元和感知器 ００７
１.３.３ 神經網絡架構 ０１０
１.３.４ 深度學習的應用領域 ０１４
1.4 任務實施：深度學習體系梳理 ０１５
１.４.１ 任務書 ０１５
１.４.２ 任務分組 ０１５
１.４.３ 獲取信息 ０１６
１.４.４ 工作實施 ０１７
１.４.５ 評價與反饋 ０１９
1.5 拓展案例：深度學習在推薦系統中的應用 ０２０
１.５.１ 問題描述 ０２０
１.５.２ 基礎理論 ０２０
１.５.３ 實際應用 ０２０
１.５.４ 案例總結 ０２３
1.6 單元練習 ０２４
單元2
深度學習基礎知識
2.1 學習情境描述 ０２５
2.2 任務陳述 ０２５
2.3 知識準備 ０２６
２.３.１ 模型擬合 ０２６
２.３.２ 損失函數和代價函數 ０３１
２.３.３ *優化算法 ０３５
2.4 任務實施：常用代價函數實驗 ０４０
２.４.１ 任務書 ０４０
２.４.２ 任務分組 ０４０
２.４.３ 獲取信息 ０４１
２.４.４ 工作實施 ０４１
２.４.５ 評價與反饋 ０４５
2.5 任務實施：梯度下降實驗 ０４６
２.５.１ 任務書 ０４６
２.５.２ 任務分組 ０４７
２.５.３ 獲取信息 ０４７
２.５.４ 工作實施 ０４７
２.５.５ 評價與反饋 ０４９
2.6 拓展案例：PyTorch 簡單模型構建 ０５０
２.６.１ 問題描述 ０５０
２.６.２ 基礎理論 ０５０
２.６.３ 解決步驟 ０５１
２.６.４ 案例總結 ０５３
2.7 單元練習 ０５３
單元3
PyTorch 深度學習框架
3.1 學習情境描述 ０５５
3.2 任務陳述 ０５５
3.3 知識準備 ０５６
３.３.１ 深度學習框架 ０５６
３.３.２ ＰｙＴｏｒｃｈ 環境搭建 ０６０
３.３.３ ＰｙＴｏｒｃｈ 的基本使用 ０６５
3.4 任務實施：PyTorch 環境的搭建和基本使用 ０６８
３.４.１ 任務書 ０６８
３.４.２ 任務分組 ０６９
３.４.３ 獲取信息 ０６９
３.４.４ 工作實施 ０６９
３.４.５ 評價與反饋 ０７１
3.5 拓展案例：張量的應用 ０７２
３.５.１ 問題描述 ０７２
３.５.２ 思路描述 ０７２
３.５.３ 解決步驟 ０７３
３.５.４ 案例總結 ０７５
3.6 單元練習 ０７５
單元4
PyTorch 編程基礎
4.1 學習情境描述 ０７６
4.2 任務陳述 ０７６
4.3 知識準備 ０７７
４.３.１ 張量的概念及應用 ０７７
４.３.２ 神經網絡 ０８６
4.4 任務實施：PyTorch 常見操作及函數的使用 ０９４
４.４.１ 任務書 ０９４
４.４.２ 任務分組 ０９４
４.４.３ 獲取信息 ０９４
４.４.４ 工作實施 ０９４
４.４.５ 評價與反饋 ０９６
4.5 任務實施：PyTorch 神經網絡的搭建 ０９８
４.５.１ 任務書 ０９８
４.５.２ 任務分組 ０９８
４.５.３ 獲取信息 ０９８
４.５.４ 工作實施 ０９９
４.５.５ 評價與反饋 １００
4.6 拓展案例：手寫數字體識別 １０２
４.６.１ 問題描述 １０２
４.６.２ 思路描述 １０２
４.６.３ 解決步驟 １０２
４.６.４ 案例總結 １０７
4.7 單元練習 １０７
單元5
用PyTorch 實現深度網絡
5.1 學習情境描述 １０８
5.2 任務陳述 １０８
5.3 知識準備 １０９
５.３.１ 使用ＰｙＴｏｒｃｈ 實現深度學習模型的基本流程 １０９
５.３.２ 數據集的預處理 １１３
５.３.３ 模型定義 １１６
５.３.４ 模型的優化與評估 １１７
5.4 任務實施：手勢識別 １２２
５.４.１ 任務書 １２２
５.４.２ 任務分組 １２２
５.４.３ 獲取信息 １２２
５.４.４ 工作實施 １２２
５.４.５ 評價與反饋 １２７
5.5 拓展案例：書法字體識別 １２８
５.５.１ 問題描述 １２８
５.５.２ 實際應用 １２９
５.５.３ 解決步驟 １２９
５.５.４ 案例總結 １３３
5.6 單元練習 １３３
單元6
基于CNN 的服裝圖像分類
6.1 學習情境描述 １３４
6.2 任務陳述 １３４
6.3 知識準備 １３５
６.３.１ ＣＮＮ 概述 １３５
６.３.２ 基于ＣＮＮ 的圖像分類 １４０
6.4 任務實施：CNN 的Fashion?MINIST 分類實戰 １４５
６.４.１ 任務書 １４５
６.４.２ 任務分組 １４５
６.４.３ 獲取信息 １４５
６.４.４ 工作實施 １４５
６.４.５ 評價與反饋 １４９
6.5 拓展案例：基于卷積神經網絡的面部表情識別 １５０
６.５.１ 問題描述 １５０
６.５.２ 基礎理論 １５０
６.５.３ 解決步驟 １５１
６.５.４ 案例總結 １５８
6.6 單元練習 １５８
單元7
圖像數據處理
7.1 學習情境描述 １５９
7.2 任務陳述 １５９
7.3 知識準備 １６０
７.３.１ 數字圖像的概念和圖像處理方法 １６０
７.３.２ 圖像編／ 解碼、標準化處理和添加標注框 １６９
7.4 任務實施：圖像數據處理 １７５
７.４.１ 任務書 １７５
７.４.２ 任務分組 １７５
７.４.３ 獲取信息 １７５
７.４.４ 工作實施 １７６
７.４.５ 評價與反饋 １７９
7.5 拓展案例：基于神經網絡的圖像風格遷移 １８０
７.５.１ 問題描述 １８０
７.５.２ 基礎理論 １８０
７.５.３ 解決步驟 １８３
７.５.４ 案例總結 １８７
7.6 單元練習 １８７
單元8
基于LSTM 的數據預測
8.1 學習情境描述 １８８
8.2 任務陳述 １８８
8.3 知識準備 １８９
８.３.１ 數據預測概述 １８９
８.３.２ 時間序列預測方法 １９０
８.３.３ ＬＳＴＭ 神經網絡 １９３
8.4 任務實施：國際航空乘客預測 １９８
８.４.１ 任務書 １９８
８.４.２ 任務分組 １９８
８.４.３ 獲取信息 １９８
８.４.４ 工作實施 １９９
８.４.５ 評價與反饋 ２０２
8.5 拓展案例：使用PyTorch 進行LSTM 時間序列預測 ２０３
８.５.１ 問題描述 ２０３
８.５.２ 思路描述 ２０３
８.５.３ 解決步驟 ２０４
８.５.４ 案例總結 ２０８
8.6 單元練習 ２０９
單元9
基于AlexNet 的圖像分類
9.1 學習情境描述 ２１０
9.2 任務陳述 ２１０
9.3 知識準備 ２１１
９.３.１ ＡｌｅｘＮｅｔ 神經網絡 ２１１
９.３.２ 基于ＡｌｅｘＮｅｔ 的圖像分類概述 ２１５
9.4 任務實施：基于AlexNet 的CIFAR - 100 分類實戰 ２２３
９.４.１ 任務書 ２２３
９.４.２ 任務分組 ２２３
９.４.３ 獲取信息 ２２３
９.４.４ 工作實施 ２２４
９.４.５ 評價與反饋 ２２７
9.5 拓展案例：基于深度學習和遷移學習的遙感
圖像場景分類實戰 ２２８
９.５.１ 問題描述 ２２８
９.５.２ 思路描述 ２２８
９.５.３ 解決步驟 ２２８
９.５.４ 案例總結 ２３１
9.6 單元練習 ２３１
單元10
基于ResNet 的行人重識別
10.1 學習情境描述 ２３３
10.2 任務陳述 ２３３
10.3 知識準備 ２３４
１０.３.１ ＲｅｓＮｅｔ 概述 ２３４
１０.３.２ 行人重識別 ２４４
10.4 任務實施：基于ResNet 的行人重識別實戰 ２５５
１０.４.１ 任務書 ２５５
１０.４.２ 任務分組 ２５５
１０.４.３ 獲取信息 ２５５
１０.４.４ 工作實施 ２５６
１０.４.５ 評價與反饋 ２６１
10.5 拓展案例：基于骨架提取和人體關鍵點
估計的行為識別 ２６２
１０.５.１ 問題描述 ２６２
１０.５.２ 思路描述 ２６２
１０.５.３ 解決步驟 ２６２
１０.５.４ 案例總結 ２６４
10.6 單元練習 ２６４
參考文獻 ２６５
展開全部
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
推拿
- >
中國歷史的瞬間
- >
煙與鏡
- >
我從未如此眷戀人間
- >
詩經-先民的歌唱
- >
自卑與超越
- >
朝聞道
本類暢銷
